論文の概要: Explainable Signature-based Machine Learning Approach for Identification
of Faults in Grid-Connected Photovoltaic Systems
- arxiv url: http://arxiv.org/abs/2112.14842v1
- Date: Sat, 25 Dec 2021 15:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 15:20:45.331910
- Title: Explainable Signature-based Machine Learning Approach for Identification
of Faults in Grid-Connected Photovoltaic Systems
- Title（参考訳）: 説明可能なシグネチャに基づく機械学習による太陽光発電システムにおける故障の同定
- Authors: Syed Wali and Irfan Khan
- Abstract要約: 本稿では,PV運転状態の統計的シグネチャに基づく新しい故障同定手法を提案する。
これらのシグネチャに基づいて訓練されたランダムフォレスト学習マシンは、あらゆる種類の障害を特定する上で、100%の精度を示した。
予測結果に対するユーザの信頼を高めるため,トレーニング期間中にSHAPを用いて完全なモデル応答を抽出した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The transformation of conventional power networks into smart grids with the
heavy penetration level of renewable energy resources, particularly
grid-connected Photovoltaic (PV) systems, has increased the need for efficient
fault identification systems. Malfunctioning any single component in
grid-connected PV systems may lead to grid instability and other serious
consequences, showing that a reliable fault identification system is the utmost
requirement for ensuring operational integrity. Therefore, this paper presents
a novel fault identification approach based on statistical signatures of PV
operational states. These signatures are unique because each fault has a
different nature and distinctive impact on the electrical system. Thus, the
Random Forest Classifier trained on these extracted signatures showed 100%
accuracy in identifying all types of faults. Furthermore, the performance
comparison of the proposed framework with other Machine Learning classifiers
depicts its credibility. Moreover, to elevate user trust in the predicted
outcomes, SHAP (Shapley Additive Explanation) was utilized during the training
phase to extract a complete model response (global explanation). This extracted
global explanation can help in the assessment of predicted outcomes credibility
by decoding each prediction in terms of features contribution. Hence, the
proposed explainable signature-based fault identification technique is highly
credible and fulfills all the requirements of smart grids.
- Abstract（参考訳）: 再生可能エネルギー資源,特に電力網に接続された太陽光発電(PV)システムの大量浸透レベルを持つスマートグリッドへの従来の電力網の転換により,効率的な故障同定システムの必要性が高まっている。
グリッド接続型PVシステムの単一コンポーネントの故障は、グリッド不安定やその他の深刻な結果を引き起こす可能性があり、信頼性の高い障害識別システムが、運用上の整合性を確保するための最大の要件であることを示している。
そこで本稿では,PV運転状態の統計的シグネチャに基づく新しい故障同定手法を提案する。
これらのシグネチャは、それぞれの断層が電気システムに異なる性質と独特な影響を持っているため、ユニークなものである。
その結果, 抽出されたシグネチャに基づいて学習したランダム森林分類器は, あらゆる種類の断層を100%精度良く同定できた。
さらに、提案フレームワークと他の機械学習分類器のパフォーマンス比較では、その信頼性が示されている。
さらに、予測結果に対するユーザの信頼を高めるために、トレーニング段階でshap(shapley additive description)を利用して、完全なモデル応答(グローバル説明)を抽出した。
この抽出されたグローバルな説明は,特徴量の観点から各予測を復号することで,予測結果の信頼性を評価するのに役立つ。
したがって、提案された説明可能なシグネチャベースのフォールト識別技術は信頼性が高く、スマートグリッドの要件をすべて満たしている。
関連論文リスト
- LoRA-Ensemble: Efficient Uncertainty Modelling for Self-attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率の高いディープアンサンブル手法であるLoRA-Ensembleを紹介する。
全メンバー間で重みを共有できる1つの事前学習型自己注意ネットワークを利用することで、注意投影のために、メンバー固有の低ランク行列を訓練する。
提案手法は明示的なアンサンブルよりも優れたキャリブレーションを示し,様々な予測タスクやデータセットに対して類似あるいは良好な精度を実現する。
論文 参考訳（メタデータ） (2024-05-23T11:10:32Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z) - Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。
本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
論文 参考訳（メタデータ） (2024-02-08T22:05:45Z) - A Data-Driven Approach for High-Impedance Fault Localization in
Distribution Systems [5.6874061098584345]
低電流のため, 従来の過電流リレーによるHIFの検出は困難である。
本稿では,HIFイベントの識別のためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2023-11-26T02:52:37Z) - Investigating Robustness in Cyber-Physical Systems: Specification-Centric Analysis in the face of System Deviations [8.8690305802668]
サイバー物理システム(CPS)の重要属性は堅牢性であり、安全に運用する能力を示している。
本稿では,特定のシステム要件を満たす上でのコントローラの有効性を特徴付ける,仕様に基づく新しいロバスト性を提案する。
本稿では, 微妙な堅牢性違反を識別するための2層シミュレーションに基づく解析フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-13T16:44:43Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Detecting and interpreting faults in vulnerable power grids with machine
learning [3.29419980898768]
未スケジュールの電力障害は、顧客とグリッドオペレータの両方に深刻な結果をもたらす。
本研究では,北極圏のノルウェー人コミュニティの電力網に焦点をあてる。
機械学習技術を用いて断層の発生を予測する。
論文 参考訳（メタデータ） (2021-08-16T12:54:36Z) - Reinforcement Learning with Probabilistic Boolean Network Models of
Smart Grid Devices [0.3867363075280544]
複雑適応型自己組織化モデリング手法 Probabilistic Boolean Networks (PBN) の応用例を示す。
この研究は、PBNが標準的な強化学習サイクルと等価であることを示し、エージェント/モデルがその環境と相互作用し、報酬信号の形でフィードバックを受け取る。
論文 参考訳（メタデータ） (2021-02-02T04:13:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。